• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Cross-validation prior choice in Bayesian probit regression with many covariates
【24h】

Cross-validation prior choice in Bayesian probit regression with many covariates

机译：具有许多协变量的贝叶斯概率回归中的交叉验证优先选择

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper examines prior choice in probit regression through a predictive cross-validation criterion. In particular, we focus on situations where the number of potential covariates is far larger than the number of observations, such as in gene expression data. Cross-validation avoids the tendency of such models to fit perfectly. We choose the scale parameter c in the standard variable selection prior as the minimizer of the log predictive score. Naive evaluation of the log predictive score requires substantial computational effort, and we investigate computationally cheaper methods using importance sampling. We find that K-fold importance densities perform best, in combination with either mixing over different values of c or with integrating over c through an auxiliary distribution.
机译：本文通过预测性交叉验证标准研究了概率回归中的先验选择。特别是，我们关注潜在协变量的数量远大于观察值的情况，例如在基因表达数据中。交叉验证避免了此类模型趋于完美拟合的趋势。我们在标准变量选择中选择比例参数c作为对数预测得分的最小值。对数预测分数的幼稚评估需要大量的计算工作，并且我们使用重要性抽样调查了计算上更便宜的方法。我们发现，与混合不同c值或通过辅助分布在c上积分相结合，K倍重要性密度表现最佳。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号